Es wird eine neuartige Methode zur Verbesserung der Pflanzenkrankheitsklassifikation vorgestellt, einem herausfordernden und zeitaufwendigen Prozess. Zunächst wird EfficientNet, eine kürzlich vorgestellte und fortschrittliche Architekturfamilie mit einem hervorragenden Kompromiss zwischen Genauigkeit und Komplexität, als Basis verwendet. Auf dieser Grundlage wurden verfeinerte Techniken basierend auf Transfer Learning, Regularisierung, Stratifikation, gewichteten Metriken sowie fortgeschrittenen Optimierern eingeführt, entworfen und angewandt, um eine verbesserte Leistung zu erzielen. Darüber hinaus wird ein weiterer Fortschritt durch die Einführung eines adaptiven minimalen Ensembles erzielt, das einen einzigartigen Beitrag zum Wissensfundament der vorgeschlagenen Lösung darstellt. Dieser Ansatz stellt einen entscheidenden Fortschritt dar, da er eine Steigerung der Genauigkeit bei begrenzter Komplexität ermöglicht – und zwar mit lediglich zwei schwachen EfficientNet-b0-Modellen –, wobei das Ensembling nicht auf den Ausgaben, sondern auf den Merkmalsvektoren mittels einer trainierbaren Schicht durchgeführt wird. Nach bestem Wissen der Autoren wurde ein solcher Ansatz zum Ensembling in der Literatur bisher noch nie verwendet. Die Methode wurde auf PlantVillage, einem öffentlichen Referenzdatensatz zur Benchmarking von Modellen für die Diagnose von Pflanzenkrankheiten, sowohl in seiner ursprünglichen als auch in seiner augmentierten Version getestet. Dabei konnte der Stand der Technik deutlich übertroffen werden: In beiden Datensätzen wurde eine Genauigkeit von 100 % erreicht. Die Ergebnisse wurden mit PyTorch zur Trainierung, Validierung und Testung der Modelle erzielt; die Reproduzierbarkeit ist durch die Bereitstellung umfassender Details, einschließlich aller verwendeten Hyperparameter, gewährleistet. Zudem steht eine öffentlich zugängliche Web-Oberfläche zur Verfügung, um die vorgeschlagenen Methoden zu testen.